turicreate 视频_iOS 推出的turiCreate功能(一) 图片识别

前序文章:让我们谈谈turiCreate.聊聊iOS的机器学习这篇文章有讲到如何布置环境,以及turiCreate的基本功能块.

概括

对于这个功能来说.我第一实现试用的时候 很惊讶!准度非常高!效果也是非常不错的.随着我深入,发现他的问题也还是挺大的.他不是多标签的.不能像苹果提供CoreML模型一样反馈的一样的.而且最可怕的是:如果我要识别猫和狗,那么有可能是除了猫,其他的全部都是狗.当然有可能是全部是猫.

功能

数据

我们今天也不分辨猫和狗,这个CoreML的模型里基本都有了.我这边的资源是哆啦A梦,瓦力,我的同事,以及我.那这样他识别的如何呢!!

首先我们准备图片

分类.png

我们要自己先分类好

哆啦A梦.png

瓦力

搞笑的同事

我

我们有数据就可以开动了 环境我们在上一章就配置好了.我就默认大家配置好直接跳过配置环境这一块了!

打开环境

我们Mac打开terminal.app 就是命令框

打开到我们要放置图片的位置的上个文件夹cd /Users/admin/Desktop/script/demo-python-image-classification-master

启动turiCreate的环境source activate turijupyter notebook

创建脚本笔记本

然后我们给新的笔记本重命名就可以开始我们的征途了!

代码

一般我们习惯在引入turiCreate的库之后,用tc来替代它!import turicreate as tc

指定图像文件夹image_folder = 'image'

然后使用turiCreate读取所有图像文件,并且存储到data数据框data = tc.image_analysis.load_images(image_folder, with_path=True)

然后在这里turiCreate读取所有的图像文件之后会反馈一些信息. 是说这个文件无法识别.并不影响.(应该是一些隐藏文件)Unsupported image format. Supported formats are JPEG and PNG     file: /Users/admin/Desktop/script/doraemon/.DS_Store

然后我们直接使用data数据 可以打印一些数据.data

可以看到data的包含的数据是 地址和图片的像素.当然我们也可以使用print_rows(num_rows=m, num_columns=n)函数,可以看到你想要看数量.但是我没有找到如何然数据全部显示的方法.

接下来是重点.添加标签.告诉turiCreat哪些是哪些.才能进行训练.

我们通过文件夹的名称来给图片打标记.

我们会使用到apply(lambda  :)函数data['label'] = data['path'].apply(lambda path: 'doraemon' if 'doraemon' in path else 'yizhong' if 'yiz' in path else 'walle' if 'walle' in path else 'yyx' )

把Doraemon目录下的图片,按照文件夹的名称进行分类.这只是给我们对应的图片打上标记.比不意味着说分类就是这样其他剩下的都是 'yyx'.

我们在打印一下datadata

则得到了我们需要对应图片的类别

我们可以吧数据存储一下.之后 就可以直接读取这些数据,而不需要重新标记一遍data.save('doraemon-walle.sframe')

只看数据并不一定分配对了.turiCreate提供了explore()函数可以弹出一个页面.供我们查看data.explore()

这样我们就可以查看数据.我不知道我的turiCreate是不是版本问题,还是存在bug.鼠标悬停在某张图片上,并没有显示出大图.(如果有大佬知道因为的话,请告知).我的是在每条线出右键可以点击open frame in new window

数据探索完毕,都正确了,我们继续我们接下来的操作

我们然turiCreate吧data数据框分为训练集合和测试集合.train_data, test_data = data.random_split(0.8, seed=2)

训练集合是用来让机器进行观察学习的。电脑会利用训练集合的数据自己建立模型。但是模型的效果(例如分类的准确程度)如何？我们需要用测试集来进行验证测试。

这就如同老师不应该把考试题目都拿来给学生做作业和练习一样。只有考学生没见过的题，才能区分学生是掌握了正确的解题方法，还是死记硬背了作业答案。

我们让TuriCreate把80%的数据分给了训练集，把剩余20%的数据拿到一边，等待测试。这里我设定了随机种子取值为2，这是为了保证数据拆分的一致性。以便重复验证我们的结果。

好了，下面我们让机器开始观察学习训练集中的每一个数据，并且尝试自己建立模型。

下面代码第一次执行的时候，需要等候一段时间。因为TuriCreate需要从苹果开发者官网上下载一些数据。这些数据大概100M左右。

需要的时长，依你和苹果服务器的连接速度而异。反正在我这儿，下载挺慢的。

好在只有第一次需要下载。之后的重复执行，会跳过下载步骤。model = tc.image_classifier.create(train_data, target='label')

下载完毕后，你会看到TuriCreate的训练信息。

当你看到一下类似信息则 训练成功了

可以看出几轮下来 训练的准确还是验证的准确度，都已经非常高了。

我们用获得图片分类模型,来对测试集做预测predictions = model.predict(test_data)

我们把预测的结果(一系列图片对应的标记序列)存入了predictions变量。

然后，我们让TuriCreate告诉我们，在测试集上，我们的模型表现如何。

先别急着往下看，猜猜结果正确率大概是多少？从0到1之间，猜测一个数字。

猜完后，请继续。metrics = model.evaluate(test_data)print(metrics['accuracy'])

这就是正确率的结果：0.914285714286

为了验证这不是准确率计算部分代码的失误，我们来实际看看预测结果。predictions

这是打印出的预测标记序列：dtype: str

Rows: 35

['doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'walle', 'doraemon', 'walle', 'walle', 'walle', 'doraemon', 'doraemon', 'yyx', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'yizhong', 'walle', 'walle', 'doraemon', 'yizhong', 'yyx', 'walle', 'doraemon', 'yyx', 'doraemon', 'walle', 'doraemon', 'doraemon', 'yyx', 'doraemon', 'doraemon', 'doraemon']

再看看实际的标签。test_data['label']

这是实际标记序列dtype: str

Rows: 35

['doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'walle', 'doraemon', 'walle', 'walle', 'yizhong', 'doraemon', 'doraemon', 'yyx', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'yizhong', 'doraemon', 'walle', 'doraemon', 'yizhong', 'yyx', 'walle', 'doraemon', 'yyx', 'doraemon', 'walle', 'walle', 'doraemon', 'yyx', 'doraemon', 'doraemon', 'doraemon']

我们查找一下，到底哪些图片预测失误了。

你当然可以一个个对比着检查。但是如果你的测试集有成千上万的数据，这样做效率就会很低。

我们分析的方法，是首先找出预测标记序列(predictions)和原始标记序列(test_data['label'])之间有哪些不一致，然后在测试数据集里展示这些不一致的位置。test_data[test_data['label'] != predictions]

我们获得这个数据点对应的原始文件路径。wrong_pred_img_path = test_data[predictions != test_data['label']][0]['path']

wrong_pred_img_path1 = test_data[predictions != test_data['label']][1]['path']

wrong_pred_img_path2 = test_data[predictions != test_data['label']][2]['path']

然后我显示这些图片img = tc.Image(wrong_pred_img_path)

img.show()

我们就会发现确实存在一定层度上的干扰

到这里我们模型训练好了就是导出为CoreML模型.然后加载到Xcode上使用了!model.export_coreml('test1.mlmodel')

这里发现这个模型竟然要94M.而且基本不受资源多少的影响.如果我们可以适当减低准确度的话.可以在

创建模型的时候对他转移学习的模型选定为squeezenet_v1.1,默认是'resnet-50'model = tc.image_classifier.create(train_data,target='label',model='squeezenet_v1.1')

则生成的模型

那么我们只需要导入到Xcode就可以使用了.作者：Y_Swordsman

链接：https://www.jianshu.com/p/49f8dc5f2f47

原创文章转载需获作者授权并注明出处